Analyse de l’entonnoir

Un entonnoir de conversion modélise le parcours d'un utilisateur à travers une suite d'étapes obligatoires : par exemple, Page d'accueil → Page produit → Ajout au panier → Paiement → Achat. À chaque étape, certains utilisateurs abandonnent et n'atteignent jamais l'étape suivante. L'analyse des entonnoirs quantifie ces abandons afin que les équipes puissent déterminer quelle étape améliorer en priorité. Le résultat est une table présentant le nombre d'utilisateurs et le taux de conversion à chaque étape.

Pour chaque étape de l'entonnoir, comptez le nombre d'utilisateurs uniques ayant déclenché cet événement au moins une fois. Utilisez df[df['event_type'] == step]['user_id'].nunique() dans une boucle et rassemblez les résultats dans un dictionnaire. La conversion en Series simplifie les calculs de pourcentage ultérieurs grâce à une simple division.

Le taux de conversion d'une étape à l'autre indique quelle proportion des utilisateurs ayant terminé l'étape N a également terminé l'étape N+1. Calculez-le avec funnel.shift(1) (qui fournit le nombre de l'étape précédente), puis effectuez la division : funnel / funnel.shift(1) * 100. La première étape n'a pas d'étape précédente : son taux vaut donc NaN ou 100 %, selon la définition de la référence.

Le taux de conversion global mesure la proportion de tous les utilisateurs entrés dans l'entonnoir à l'étape 1 qui ont finalement terminé la dernière étape. Divisez le nombre d'utilisateurs de la dernière étape par celui de la première. Une conversion globale de 2 à 5 % entre la page d'accueil et l'achat est courante dans le commerce en ligne ; une valeur inférieure signale un abandon critique quelque part dans l'entonnoir.

Un simple comptage des utilisateurs uniques considère comme valides les utilisateurs qui sont passés directement au paiement sans consulter la page produit, ce qui gonfle la conversion aux premières étapes. Pour imposer un ordre, vérifiez que chaque utilisateur n'a atteint l'étape N qu'après avoir atteint l'étape N-1. Cela nécessite de comparer les horodatages : l'utilisateur doit avoir un événement product_page avant son événement add_to_cart.

Les différents segments d'utilisateurs peuvent présenter des taux de conversion très différents. Exécutez le même calcul d'entonnoir séparément pour les utilisateurs d'ordinateurs et ceux de mobiles avec groupby('device_type'). Si les utilisateurs mobiles abandonnent massivement à l'étape du paiement, la page de paiement présente probablement un problème d'utilisabilité sur les petits écrans. Les entonnoirs segmentés révèlent des possibilités d'optimisation ciblées.

L'étape qui enregistre la plus grande perte absolue d'utilisateurs constitue la priorité d'optimisation la plus élevée. Trouvez-la en calculant la différence entre les nombres d'utilisateurs d'étapes consécutives avec funnel.diff() : la valeur la plus négative correspond au plus grand abandon. Présentez cette conclusion sous forme numérique et visuelle aux parties prenantes.

Le temps nécessaire aux utilisateurs pour passer d'une étape à la suivante révèle les points de friction. Si les utilisateurs attendent plusieurs heures entre l'ajout au panier et le paiement, un e-mail de relance des paniers abandonnés pourrait les faire revenir. Calculez le temps médian entre chaque paire d'étapes à partir du DataFrame first_events, en soustrayant les colonnes d'horodatage adjacentes, puis en calculant la médiane sur l'ensemble des utilisateurs.

Suivez l'amélioration ou la dégradation des taux de conversion d'une semaine à l'autre en calculant l'entonnoir séparément pour chaque semaine. Regroupez la table des premiers événements par semaine avec first_events['homepage'].dt.isocalendar().week, puis calculez le taux de conversion global pour chaque semaine. Une baisse soudaine au cours d'une semaine donnée peut coïncider avec une mise en production ou une modification marketing.

Rassemblez tous les indicateurs de l'entonnoir dans un DataFrame récapitulatif propre, qui pourra être exporté dans un rapport ou transmis à un outil de visualisation. Incluez des colonnes pour le nom de l'étape, le nombre d'utilisateurs, la conversion d'une étape à l'autre, la conversion globale et le nombre d'utilisateurs perdus. Ce DataFrame unique doit constituer le livrable de l'analyse de l'entonnoir, lisible aussi bien par les ingénieurs que par les responsables produit.

Représentez l'entonnoir sous forme d'un graphique à barres horizontales, où la longueur de chaque barre correspond au nombre d'utilisateurs à cette étape. Une forme d'entonnoir apparaît naturellement lorsque les barres sont triées de haut (nombre maximal d'utilisateurs) en bas (nombre minimal). Annotez chaque barre avec le pourcentage de conversion d'une étape à l'autre afin que le graphique se suffise à lui-même et ne nécessite pas de tableau de données distinct pour être interprété.

Testez votre compréhension des concepts d'analyse des données présentés dans cette leçon.

Dans cette leçon, vous avez appris à : compter les utilisateurs uniques à chaque étape de l'entonnoir, calculer les taux de conversion d'une étape à l'autre et le taux global, et segmenter les entonnoirs par type d'appareil et suivre les tendances hebdomadaires de conversion. Nous allons maintenant étudier les tableaux de rétention par cohorte afin de suivre le nombre d'utilisateurs qui reviennent semaine après semaine.